Escolar Documentos
Profissional Documentos
Cultura Documentos
São Paulo
2013
ELAINE CRISTINA SCHNEIDER DE CARVALHO
São Paulo
2013
ELAINE CRISTINA SCHNEIDER DE CARVALHO
Área de Concentração:
Engenharia de Transportes
São Paulo
2013
Este exemplar foi revisado e corrigido em relação à versão original, sob
responsabilidade única do autor e com a anuência de seu orientador.
FICHA CATALOGRÁFICA
Ao Professor Luis Ignacio Rizzi, pela intensa e valiosa colaboração com minha
pesquisa, e ao colega David Palma Araneda, pela cooperação sucinta e precisa, ambos do
Departamento de Engenharia de Transporte e Logística da Escola de Engenharia da
Universidade Católica do Chile.
Aos Professores Claudio Barbieri da Cunha, Nicolau Dionísio Fares Gualda e José
Afonso Mazzon, pelo interesse constante.
Agradeço também, pelo apoio e cooperação, a Amanda Rabelo Santos Luiz e Rosana
Simone Vieira da Silva, do Serviço de Comunicação Social da Escola Politécnica da
Universidade de São Paulo, às colegas pesquisadoras Ana Margarita Larrañaga e Patrícia
Sauri Lavieri, à Secretaria do Departamento de Engenharia de Transportes da Escola
Politécnica, à CAPES e ao CNPq.
Aos meus primos Jussara, Paulo e Denise, e à minha tia Elisabete, por estarem ao meu
lado em momentos difíceis. E aos trabalhadores e mentores do Núcleo Espírita Nosso Lar, em
Florianópolis, pelo cuidadoso e amoroso processo de cura.
A Gabriel Führ, Ana Lúcia Rodrigues e colegas da Sistran Engenharia, por tornarem
mais suave minha vinda para São Paulo.
Aos amigos Rosiani Soares, Cassiano Isler, Juliana Stallivieri, Andreia Chiavini,
Rodrigo Serratine e Fabiana Pessôa, pela sincera amizade, que torna minha vida mais alegre.
Aos meus pais, Juarez e Marcilia, por apoiarem, incentivarem e ajudarem a viabilizar
minhas escolhas. Ao meu irmão Rodrigo, pelo exemplo de perseverança.
RESUMO
The main objective of this research is to investigate the influence on bus route choice
behavior of variable message signs (VMS) displaying real time predictions of bus arrival at
stops. A stated choice survey was conducted, using an efficient design experiment. Sampled
individuals were asked to answer to eight choice situations, each presenting two bus routes
going to the same destination but with different itineraries and boarding stops. The choice was
made between two combinations of bus route and boarding stop; only one of the stops had
VMS. The other attributes characterizing alternatives were: bus route headway, (possible)
delay at arriving at the stop, travel time until destination, level of vehicle crowdedness when
arriving at the boarding stop, and fare. Data were collected from 1179 individuals, mostly
students, professors and employees of the University of São Paulo, and all of them residents
of the São Paulo Metropolitan Area. The typical interviewee was 25 years old or younger
(64% of the sample), male (60%), a frequent bus user (80%), student (81%) and had at least
one car in his household. Mixed logit panel discrete choice models were estimated to analyze
the data, capturing both the relative importance of each attribute in the decision process and
systematic taste variation among individuals. Results show that VMS displaying predictions
of bus arrival at stops do influence bus route choice behavior. The estimated average
willingness to pay for a bus stop to have a VMS was R$0.12, which corresponds to 5 minutes
of travel time. It was also observed that the marginal disutility of waiting time decreases when
there is a VMS at the stop. Disutility of waiting due to delays also decreases (more
intensively) with the VMS. The average value of travel time was relatively low, compared to
expectations: R$1.44/hour, probably due to the socioeconomic profile of the sample,
particularly the high proportion of students. Nevertheless, frequency of bus use and
socioeconomic characteristics significantly affect route choice behavior; the value of travel
time, for instance, may reach R$17/hour, while willingness to pay for a VMS in a stop may
become R$0.77. The results indicate that incorporating the VMS as an additional component
of the decision, allows for a better understanding of bus route choice behavior.
Figura 4 – Segmentação por frequência de uso de ônibus e uso de pontos com painel ........... 68
Figura 8 – Exemplo de tabela com as características das alternativas do primeiro piloto ..... 102
Figura 9 – Exemplo de tabela com as características das alternativas do segundo piloto...... 105
Tabela 4 – Estratégia para combinar atributos intervalo, atraso e tempo de viagem ............... 60
Tabela 11 – Taxas marginais de substituição (em minutos de intervalo, atraso ou viagem) ... 81
Tabela 16 – Modelo MNL estimado com resultados do primeiro experimento piloto .......... 104
Tabela 19 – Estratégia para combinar atributos intervalo, atraso e tempo de viagem ........... 107
Tabela 26 – Modelo ML panel com interações entre atributos (1) ........................................ 119
Tabela 27 – Modelo ML panel com interações entre atributos (2) ........................................ 119
Tabela 28 – Modelo ML panel com interações entre atributos (3) ........................................ 120
Tabela 29 – Modelo ML panel random coefficients com distribuição normal ...................... 121
Tabela 30 – Modelo ML panel random coefficients com distribuição uniforme ................... 122
Tabela 31 – Modelo ML panel estimado a partir das respostas dos não usuários ................. 123
ML Mixed Logit
PD Preferência Declarada
PR Preferência Revelada
1 INTRODUÇÃO .................................................................................................................. 13
2.2.2 Tempo de espera subjetivo e a experiência da espera com caráter negativo ....... 27
3 METODOLOGIA .............................................................................................................. 51
1 INTRODUÇÃO
As estratégias adotadas pelos indivíduos para lidar com as incertezas percebidas são
diversas. É possível, por exemplo: evitar modos, rotas e horários que sabidamente apresentem
muitas oscilações no tempo de viagem; adotar margens de segurança no planejamento da
viagem, adiantando o horário de partida; utilizar o tempo de viagem dentro do veículo para
realizar outras atividades; cancelar a viagem caso o deslocamento seja custoso a ponto de
superar os benefícios pretendidos com a mesma; ou ainda acessar informações adicionais
sobre o sistema que auxiliem no planejamento e execução da viagem, quer sejam provenientes
de opiniões de outros usuários e da mídia, ou de orientações dos gestores e operadores do
sistema (BONSALL, 2004).
Para o caso específico do transporte urbano por ônibus, sua operação em ambiente
apenas parcialmente controlado contribui para a irregularidade do sistema e, por
consequência, afeta os tempos de viagem e espera pelos veículos nos pontos de parada. Uma
forma de auxiliar os passageiros a lidar com esta irregularidade é a divulgação, em tempo real,
14
dos intervalos de tempo previstos para passagem das linhas, através de painéis eletrônicos
instalados nos pontos de parada. Esta solução é parte do conceito RTPI (Real Time Passenger
Information), um meio de prover informação eletrônica em tempo real sobre o transporte
público a seus usuários, quer seja em pontos de parada, estações, dentro dos veículos ou via
internet e telefone.
Dziekan e Kottenhoff (2007) mencionam sete importantes efeitos do uso dos painéis e
ressaltam que, embora estejam relacionados uns aos outros, são uma referência útil para
estudos nesta área. Tais efeitos são: (1) redução do tempo de espera percebido, (2) impactos
psicológicos positivos, como redução da incerteza e maior sensação de segurança, (3) maior
disposição a pagar pelo serviço, (4) ajustes no comportamento de modo a usar melhor o
tempo de espera e viajar mais eficientemente, (5) efeitos na escolha do modo, (6) maior
satisfação e (7) melhor imagem do serviço.
como adoção de tarifas mais baixas, redução dos tempos de viagem, melhorias no conforto
dos veículos etc.
É importante salientar que o simples fato de um ponto de parada estar equipado com
painel eletrônico (antes mesmo que se veja e utilize a informação por ele mostrada)
representa, para o usuário, a possibilidade de que uma parte da incerteza associada à sua
viagem será reduzida, dado que a existência do painel elimina a possibilidade de se esperar
pelo ônibus sem saber quando ele chegará. Para o contexto de viagens rodoviárias, Razo e
Gao (2013) demostraram que o fato de uma rota estar equipada com sistema PMV (Painel de
Mensagem Variável) pode torná-la mais atrativa. É pertinente, portanto, diferenciar os efeitos
da informação (disponibilizada em tempo real através do painel) dos efeitos da presença do
painel (o mecanismo de disponibilização da informação em tempo real), embora estejam
intimamente relacionados. Enquanto a presença do painel atua na redução da incerteza,
chegando a influenciar o comportamento e as decisões dos usuários (conforme será
demonstrado no desenvolvimento da pesquisa), é a informação em si que dá condições ao
indivíduo de avaliar com maior precisão as alternativas disponíveis e tomar decisões mais
satisfatórias em sua viagem e também em sua programação de atividades.
Hipótese nula
A presença de painéis não influencia o comportamento de escolha de linha:
: _ =0
Hipótese alternativa
A presença de painéis influencia o comportamento de escolha de linha:
: _ ≠0
16
1.1 Objetivos
Em concordância com a questão de pesquisa, este estudo tem como objetivo geral:
1.2 Justificativas
2 REVISÃO DA LITERATURA
O conteúdo deste capítulo está dividido em cinco partes, oferecendo referencial teórico
sobre: (1) a informação para os usuários do sistema de transportes, desde a identificação da
necessidade até o uso para tomada de decisão; (2) a espera no transporte público por ônibus e
sua relação com a informação em tempo real; (3) a escolha de linha de ônibus e sua relação
com a informação em tempo real; (4) perspectivas adicionais sobre a informação em tempo
real; e (5) as técnicas de coleta de dados e de modelagem utilizadas neste estudo.
Ettema e Timmermans (2006), por sua vez, usam as seguintes categorias para
classificar a informação: retrospectiva, que se refere ao desempenho do sistema no passado;
descritiva, que é relativa às características atuais do sistema; e preditiva, ou seja, relativa à
projeção de estados futuros do sistema.
existentes de linhas de ônibus e suas frequências), e serve como base para as escolhas dos
usuários, quer sejam escolhas de destino, modo ou rota.
somente será realizada quando o usuário sentir que os benefícios percebidos da informação
superam o custo percebido de sua busca e aquisição, que pode incluir custos monetários,
investimentos de tempo, esforço e atenção (CHORUS; ARENTZE; MOLIN, 2006). Assim, a
possibilidade de não aquisição de informação e de consequente permanência em um estado
parcial de ignorância existe e pode ser uma escolha racional (LARSEN; SUNDE, 2008).
quanto ao momento previsto da passagem da linha pelo ponto (muito embora possa ter
expectativas a respeito do tempo de espera, alimentadas, por exemplo, por sua experiência
acumulada).
que o indivíduo tem da previsão. Argumentam que, através da experiência, o usuário passa a
conhecer e avaliar a confiabilidade da previsão recebida.
Nesta seção serão descritas estratégias de decisão empregadas pelos indivíduos, muito
embora não se almeje fazer uma revisão exaustiva do assunto. Para melhor compreender o
conteúdo dos parágrafos seguintes, recomenda-se considerar o contexto de um indivíduo
tomador de decisão em face de um conjunto de alternativas disponíveis (caracterizadas cada
uma por seus atributos), dentre as quais uma deverá ser escolhida.
Cabe ainda comentar que, para um mesmo contexto, pessoas diferentes podem aplicar
regras distintas, e que o mesmo indivíduo pode variar suas estratégias de acordo com a
situação, ou mesmo alterá-las ao passar do tempo.
Esta seção diferencia o tempo de espera objetivo do subjetivo: o primeiro é aquele que
pode ser medido pelo relógio, enquanto o segundo é a percepção individual do tempo. Além
de descrever o tempo de espera sob ambas as perspectivas, esta seção analisa a experiência da
espera (que pode adquirir caráter negativo ou positivo) e discute o papel da informação em
tempo real na redução dos tempos de espera objetivo e subjetivo, e na criação de experiências
mais positivas.
No transporte público por ônibus, o tempo de espera objetivo é função tanto dos
horários de passagem dos ônibus nos pontos de parada, quanto dos horários de chegada dos
passageiros a estes locais. Assim, ambos devem ser considerados quando se trata de
estratégias para redução do tempo de espera.
26
Sob o ponto de vista da demanda, além do ponto de vista da oferta, os sistemas AVL
também podem proporcionar redução do tempo de espera, através da utilização de seus dados
em sistemas de informação em tempo real para passageiros do transporte público, quer estes
dados sejam disponibilizados durante a viagem (nos terminais, pontos de parada ou dentro dos
veículos), ou antes de seu início, através da internet, por exemplo (HALL, 2001).
27
atividade de viajar no ônibus) é mais desconfortável e tem menor utilidade do que o tempo de
viagem dentro do ônibus. Abrantes e Wardman (2011), em meta-análise de 90 estudos sobre
valoração do tempo de espera, concluíram que o valor médio do tempo de espera é igual a 1,7
vezes o valor do tempo de viagem dentro do veículo, variando de 1,43 em estudos de
preferência revelada até 2,32 em estudos de preferência declarada. Não há alterações
expressivas destes números para diferentes propósitos de viagem ou modos.
Já o terceiro e o quarto itens estão de acordo com Psarros et al. (2011) e Dziekan e
Kottenhoff (2007), que ressaltam que as distorções sofridas pelo tempo de espera subjetivo
em relação ao tempo objetivo tornam-se maiores quando os passageiros estão desprovidos de
informações a respeito dos horários de passagem das linhas (situação que, por si só, é
geradora de ansiedade).
Além das situações listadas por Maister (1985), Dubé-Rioux; Schmitt e Leclerc (1989)
argumentam que a espera e os atrasos são mais desagradáveis na medida em que a
necessidade do indivíduo é maior. Embora os autores tenham feito esta proposição para o
contexto de idas a restaurantes (onde a fome mede o grau da necessidade), é razoável afirmar
que, para o transporte público, quanto menor o tempo de que o usuário dispõe para alcançar
seu destino (ou quanto maior sua pressa), mais desagradável se torna a espera pelo ônibus.
Vale notar que o usuário de ônibus, enquanto espera nos terminais e pontos de parada,
pode estar exposto a condições climáticas adversas, grandes concentrações de pessoas, ruído e
poluição, elementos que também influenciam os tempos de espera percebidos, geralmente
tornando-os superiores aos reais (PSARROS et al., 2011). Para o contexto de determinadas
localidades, pode-se acrescentar a estes fatores a violência urbana, cuja influência sobre a
percepção do tempo de espera pode ser acentuada, particularmente, quando as viagens são
realizadas à noite.
menciona a situação em que o usuário espera pela partida dentro do veículo, sugerindo que ele
experimentaria a sensação de “ter entrado” no sistema e de que o serviço já teria começado. A
autora também argumenta que intervenções no sentido de melhorar a experiência da espera
podem aumentar significativamente a qualidade percebida e a atratividade do transporte
público.
Friman (2010) comparou os níveis de satisfação com o transporte por ônibus de dois
cenários de espera distintos: um dito positivo e outro dito neutro. No primeiro, o usuário
chega ao ponto imediatamente antes do horário programado para passagem da linha e o
veículo já está no local, permitindo que embarque e aguarde alguns minutos para a partida,
embora não receba informações sobre o horário exato em que a partida ocorrerá. Já no
segundo cenário, o usuário chega ao ponto imediatamente antes do horário programado para
passagem da linha, mas a mesma está atrasada. Recebe, então, de maneira contínua,
informação a respeito do horário previsto de chegada do veículo ao ponto. O nível médio de
satisfação do cenário neutro foi equivalente a 75% do nível médio do cenário positivo,
apontando para o potencial que tem a informação em tornar a experiência de espera mais
positiva.
30
Sob uma perspectiva mais ampla, considerando inclusive a informação em tempo real
disponibilizada antes do início da viagem (acessada através da internet, por exemplo), os
impactos vão além da escolha da linha e estendem-se à escolha do horário de início da viagem
(quando o usuário sai de sua origem), alterando assim tanto os padrões espaciais quanto os
31
padrões temporais dos fluxos alocados na rede de transportes (LIU; BUNKER; FERREIRA,
2010).
Além dos efeitos da informação em tempo real e dos mecanismos que envolvem seu
uso (apresentados nos itens anteriores), é pertinente descrever outras perspectivas encontradas
na literatura, que são expostas a seguir.
De acordo com Stradling (2002), quando o transporte público tem caráter não
confiável, as viagens geram esforços afetivo, cognitivo e físico: incerteza, preocupação e
estresse consomem esforço afetivo; a necessidade de adaptar o planejamento feito
inicialmente consome esforço cognitivo; e executar as adaptações consome esforço físico.
Adicionalmente aos três tipos de esforços, mais tempo e dinheiro podem ser requeridos.
No que se refere aos esforços afetivos, Zhang; Shen e Clifton (2008) examinaram os
efeitos comportamentais e psicológicos da informação em tempo real sobre intervalos de
tempo previstos para chegadas de ônibus em usuários do serviço de shuttle da Universidade
de Maryland, nos Estados Unidos da América. Os resultados indicaram que o uso do sistema
aumentou significativamente o sentimento de segurança nas viagens noturnas.
32
Zhang; Shen e Clifton (2008) citam razões sociais e econômicas como motivações
para o desenvolvimento e implementação de sistemas de informação em tempo real. Dentre as
primeiras estão a promoção de inclusão social através de melhorias no transporte público,
(balanceando as vantagens e desvantagens entre o transporte público e o privado),
especialmente para a população que depende fortemente dele. Já as motivações econômicas
são justificadas tanto pela expectativa de aumento da demanda do transporte público (o que
pode ser benéfico também para o meio ambiente, caso o sistema incentive a migração do
transporte privado para o público), quanto pelas economias de tempo que podem ser obtidas
pela população, através das mudanças em suas escolhas de viagem e também devido ao
potencial que estes sistemas têm para redução do congestionamento.
Ao contrário das técnicas de Preferência Revelada (PR), em que são obtidos dados a
respeito das escolhas de fato realizadas pelos indivíduos em contextos reais, as técnicas de
Preferência Declarada (PD) obtêm dados sobre as intenções de escolha dos indivíduos em
situações hipotéticas. E, por este motivo, possibilitam maior controle das variáveis que afetam
o comportamento da demanda, sendo que a indicação de seu uso é reforçada na medida em
que não têm as limitações das técnicas de PR, mencionadas por Ortúzar e Willumsen (2011):
33
(a) escolhas reais nem sempre envolvem variabilidade suficiente entre as alternativas para
permitir a construção de bons modelos econométricos; (b) quando poucos fatores conseguem
explicar quase todo o comportamento observado, torna-se difícil detectar a importância
relativa das outras variáveis de interesse, como é o caso de variáveis qualitativas, tais como a
presença de painéis eletrônicos instalados em pontos de ônibus fornecendo informações em
tempo real sobre o serviço; (c) inadequação para coletar respostas para situações totalmente
novas, como uma nova tecnologia para transporte de pessoas, por exemplo.
Não obstante as vantagens das técnicas de PD, não há garantias de que a escolha
declarada pelo indivíduo seja de fato realizada caso o contexto hipotético se torne real.
Ortúzar e Willumsen (2011) enfatizam que as situações hipotéticas apresentadas aos
entrevistados devem ser compreensíveis, parecer plausíveis e realistas e também estar
relacionadas com as experiências já vivenciadas por eles.
Os mesmos autores observam que as três modalidades mais comuns entre as técnicas
de PD são a Análise de Contingente (Contingent Valuation, na Língua Inglesa), a Análise
Conjunta (Conjoint Analysis, na Língua Inglesa) e a Escolha Declarada (Stated Choice, na
Língua Inglesa), sendo a última a dominante na área de Transportes e a aplicada neste estudo.
= ∙ + ∙ + ∙ + ⋯+ ∙ (1)
sendo que são as variáveis explicativas observadas pelo modelador, e representam tanto
os atributos da alternativa i quanto as características do indivíduo n. Já os coeficientes ,
também chamados de utilidades marginais, são constantes que indicam a importância de cada
na composição da utilidade . No caso da eq. (1), os coeficientes são os mesmos
para todas as alternativas (ou seja, no caso de haver as alternativas i e j, por exemplo,
= = ) e, por este motivo, são chamados de coeficientes genéricos. Trata-se,
portanto, de um caso específico (restrito) de uma formulação mais geral, utilizada aqui como
exemplo para apresentação dos princípios dos modelos de escolha discreta. Cabe ainda
comentar que a forma aditiva e linear quanto aos coeficientes é a mais comumente adotada
para a função utilidade.
Tem-se que cada indivíduo n, ao decidir pela alternativa que lhe pareça mais atrativa
(ou seja, que tenha o maior ) dentro de seu conjunto de alternativas disponíveis , está
maximizando a utilidade de sua escolha (conforme introduzido na Seção 2.1.5 deste mesmo
capítulo) e valendo-se do comportamento racional. Para Ben-Akiva e Lerman (1985), o termo
“comportamento racional” está relacionado às crenças de um observador externo sobre qual
deveria ser o resultado de uma decisão tomada por um indivíduo. A definição por eles adotada
caracteriza o comportamento racional como consistente e transitivo. A consistência está
relacionada ao fato de que o indivíduo sempre toma a mesma decisão sob circunstâncias
idênticas. E a transitividade significa que as escolhas do indivíduo obedecem à seguinte
lógica: se a alternativa a é preferida em relação à b, e esta é preferida em relação à c, então a
alternativa a é preferida em relação à c.
35
No entanto, o comportamento real dos indivíduos nem sempre se mostra, aos olhos do
observador, consistente e transitivo, de modo que não necessariamente a alternativa com
maior é escolhida, indicando que o mecanismo de escolha pode ser entendido como
probabilístico (e não determinístico).
Muito embora este comportamento não racional possa ser causado pelo tomador de
decisão (quando ele, por exemplo, falha ao armazenar e processar informações sobre as
alternativas e, como consequência, não escolhe a alternativa ótima), a teoria da utilidade
aleatória assume que o indivíduo sempre escolhe a alternativa mais atrativa para si, e toda a
aleatoriedade verificada no seu comportamento é atribuída a limitações do observador, que
pode não conhecer ou não conseguir medir todos os elementos que influenciam o processo
decisório.
Portanto, a utilidade passa a ser tratada como variável aleatória, composta pela soma
de um componente determinístico, também chamado de sistemático e representado por ,
(definido na eq. 1) e de um componente estocástico, também chamado de componente
aleatório, não observado ou termo de erro e representado por . Assim, a utilidade da
alternativa i para o indivíduo n passa a ser:
= + (2)
> , ∀ $ ≠ (3)
+ > + , ∀ $ ≠
− > − , ∀ $ ≠
+ ,-. (5)
&( )= , ∀ $ ∈
∑ + ,0.
Outra característica do modelo MNL é que ele não captura variações puramente
aleatórias das preferências, muito embora seja possível representar as variações sistemáticas
através de melhorias na especificação do componente determinístico da função utilidade
(incluindo interações entre variáveis, por exemplo).
Mais uma particularidade deste modelo é que, sendo os termos de erro independentes
uns dos outros, não é possível capturar correlações não observadas entre as várias respostas de
um mesmo indivíduo.
+ ,-. (7)
& ( ) = 67 8 :( ) , ∀ $ ≠
∑ + ,0.
9
Ou seja, a probabilidade de escolha calculada segundo o modelo MNL ;+ ,-. 3< + ,0. =
é integrada sobre :( ), a curva de distribuição de (que aqui representa o vetor dos
coeficientes ).
? = ? +> + ? (8)
onde & ($) é definido conforme a eq. (5), sendo portanto uma função do vetor . Já é
obtido a partir das observações da amostra e revela se a alternativa j foi ou não selecionada
pelo indivíduo n (assumindo o valor 1 no caso de ter sido escolhida, e 0 caso contrário). Desta
forma, L *(β) fornece a probabilidade de ocorrência das escolhas observadas na amostra
quando elas são calculadas a partir do vetor a ser estimado. Assim, tem-se que, quanto
maior L *(β), mais próximos da realidade estão os resultados que o modelo produz.
max L ( ) (11)
9
NL ( )
=0
N
PQ = −E R∇ L ( )S5 (12)
Caso se deseje reduzir o tempo de viagem em uma unidade, sem que se altere, será
necessário que alguma outra variável se modifique (o preço, digamos). Para descobrir qual a
variação ^ no preço capaz de manter constante quando uma unidade é subtraída do tempo,
deve-se reescrever a equação da parte determinística da utilidade:
?X[VZ
^=
VWXçZ
L ( ) L (0) − L ( ) (13)
b = 1− =
L (0) L (0)
L ( ) − K L (0) − L ( ) + K (14)
b̅ = 1 − =
L (0) L (0)
O rho quadrado ajustado é uma modificação do rho quadrado (conforme mostra a eq.
14), que permite comparar modelos estimados a partir da mesma amostra de observações, mas
que tenham quantidades diferentes de parâmetros (onde K é a quantidade de parâmetros
estimados). Pode-se dizer que, para modelos estimados a partir da mesma amostra, aquele que
apresentar maior rho quadrado ajustado, independente da quantidade de coeficientes
estimados, tem melhor ajuste.
Outra maneira de comparar diferentes especificações, desde que a estimação seja feita
a partir da mesma amostra, é o teste da razão da máxima verossimilhança. Supondo que a um
modelo sejam impostas restrições (como igualar todos ou alguns coeficientes a zero, ou então
igualar dois ou mais coeficientes entre si), é possível testar a hipótese de que as restrições são
verdadeiras com o teste da razão da máxima verossimilhança. Seja a hipótese nula (de que
dois coeficientes são iguais a zero, por exemplo) que se deseja testar:
43
: = =0
gf )
l = −2 ∙ RL (
(15)
−2 ∙ ln k gf ) −L ( ef )S
L * (
L * ( ef )
Esta estatística tem distribuição chi quadrado com número de graus de liberdade igual
à quantidade de restrições impostas ao modelo (duas, para o exemplo usado em que
: = = 0). Se o valor da estatística exceder o valor crítico do chi quadrado com o
número apropriado de graus de liberdade, a hipótese nula pode ser rejeitada. Nas aplicações
práticas, este teste geralmente é usado para comparar o modelo estimado (irrestrito) com
aquele em que todos os coeficientes são iguais a zero (restrito).
Rota a Rota b
Situação de
escolha Tempo de Tempo de
Custo Custo
viagem viagem
1 15 $ 35 min 20 $ 25 min
2 20 $ 25 min 15 $ 30 min
3 20 $ 30 min 25 $ 25 min
... ... ... ... ...
Tabela 1 – Exemplos de situações de escolha de um desenho de experimento
A criação do desenho também requer definições prévias, que são listadas abaixo,
acompanhadas de comentários e exemplos (a numeração desta lista é contínua à numeração da
lista das definições da primeira etapa):
45
Os parágrafos seguintes desta seção são dedicados à descrição dos desenhos eficientes
(seu embasamento teórico e requerimentos à sua aplicação) e as informações expostas se
baseiam fortemente em Bliemer e Rose (2009), Ortúzar e Willumsen (2011) e no manual do
software Ngene 1.1 (CHOICE METRICS, 2011).
Desenhos eficientes
Esta modalidade de desenho gera um grupo de situações de escolha tal que, quando
transformado em questionário de pesquisa e aplicado a uma amostra, permite estimar modelos
de escolha discreta cujos parâmetros tenham as menores (co)variâncias possíveis (sendo,
portanto, mais confiáveis e qualificando o desenho como um desenho eficiente), sem com isto
47
3 METODOLOGIA
A natureza da pesquisa desenvolvida é descritiva (no que se refere aos seus objetivos)
e experimental (no que se refere aos procedimentos técnicos utilizados).
De acordo com Gil (2002, p. 42), “as pesquisas descritivas têm como objetivo
primordial a descrição das características de determinada população ou fenômeno ou, então, o
estabelecimento de relações entre variáveis”. Já as pesquisas experimentais, também de
acordo com Gil (2002, p. 47), consistem essencialmente em “determinar um objeto de estudo,
selecionar as variáveis que seriam capazes de influenciá-lo, definir as formas de controle e de
observação dos efeitos que a variável produz no objeto”.
coeficientes dos atributos e taxas marginais de substituição entre atributos), por sua vez,
foram utilizados para criar o desenho eficiente do experimento final. A elaboração e os
resultados do primeiro e do segundo experimento piloto são apresentados, respectivamente,
nos Apêndices A e B, enquanto a elaboração do experimento final é objeto do Capítulo 4 e
seus resultados são descritos no Capítulo 5.
As etapas da análise de dados (ou seja, das repostas obtidas no experimento final) são
exibidas na Figura 2, e desenvolvidas no Capítulo 5.
O modelo base contém apenas os efeitos principais dos atributos das alternativas,
enquanto os demais visam estudar a não linearidade das preferências, as interações entre
atributos e a variabilidade sistemática das preferências dos entrevistados, esta última
explorada através de um modelo com interações entre os atributos e as variáveis
socioeconômicas e de uso de ônibus dos entrevistados.
É objeto deste capítulo a elaboração do experimento para coleta de dados usado nesta
pesquisa, que faz uso de técnicas de escolha declarada e foi construído a partir de um desenho
eficiente (sendo que as atividades relativas à elaboração e envio do questionário à amostra já
foram descritas no Capítulo 3). No entanto, antes da descrição das etapas de sua elaboração,
faz-se necessária uma exposição prévia do contexto do experimento.
“Suponha que você irá de ônibus a um compromisso e que tanto a LINHA 1 quanto a
LINHA 2 servem para levá-lo(a) até o local desejado. Porém, estas linhas não passam pelo
mesmo ponto. Você tem, então, duas alternativas: andar em uma direção até o PONTO 1 e
pegar a LINHA 1 ou andar em outra direção até o PONTO 2 e pegar a LINHA 2.
56
Considere que os tempos de caminhada até qualquer um dos pontos são pequenos e
parecidos. Os pontos podem ou não ter painel eletrônico mostrando quanto tempo falta para
o ônibus passar. Levando em conta esta e outras características de cada alternativa
(apresentadas na tabela abaixo), qual você escolhe?”
• os pontos ficam em direções opostas, de modo que não é possível passar por um
deles enquanto se dirige ao outro;
• o tempo de caminhada para acessar o ponto é considerado pequeno e semelhante
para ambas as alternativas. Ou seja, trata-se de uma característica que não as
diferencia (não torna uma superior à outra);
• o possível atraso da linha não é exibido diretamente nas situações de escolha, e sim
indiretamente: é somado ao intervalo programado e esta soma é apresentada ao
entrevistado como um tempo máximo de espera pelo ônibus;
• a razão de haver dois pontos diferentes é permitir que o painel esteja presente para
apenas uma alternativa, o que não seria possível caso ambas as linhas de ônibus
passassem pelo mesmo ponto de parada (supondo que o painel exiba informações
sobre todas as linhas que passem pelo ponto);
• a decisão do entrevistado é tomada sem que ele conheça o intervalo de tempo
previsto para a passagem da linha pelo ponto (ele sabe apenas que um ponto tem
painel e outro não, mas não sabe qual a informação mostrada pelo painel).
57
As etapas para criação do desenho eficiente são descritas na próxima seção, que é
seguida da apresentação de informações adicionais que foram coletadas dos entrevistados
(dados socioeconômicos e referentes a hábitos de uso de ônibus) e de comentários a respeito
da obtenção da amostra e da operacionalização do experimento.
São objeto desta seção as definições prévias à criação do experimento com desenho
eficiente, bem como uma breve descrição do desenho obtido.
4.1.1 Alternativas
4.1.2 Atributos
São seis os atributos escolhidos para o experimento (sendo que todos são comuns a
ambas as alternativas) e estão detalhados na Tabela 2 (que traz também a notação de seus
coeficientes no componente determinístico da função utilidade):
58
Coeficientes na
Atributos Níveis
função utilidade
Existência de painel no
1 = Sim / 0 = Não β_display
ponto
Intervalo de tempo
programado para a
passagem de veículos 5 / 10 / 15 / 20 minutos β_interv
consecutivos da mesma
linha
Possível atraso em
relação ao intervalo 4 / 9 / 14 / 19 minutos β_atraso
programado
Cabe comentar que, para o atributo tempo de viagem, mais especificamente, os níveis
selecionados estão dentro do intervalo de duração das viagens com transporte público
registradas pela Pesquisa Origem e Destino 2007 da RMSP (COMPANHIA DO METRO-
POLITANO DE SÃO PAULO, 2008).
Para o atributo painel, a definição de dois níveis é óbvia, enquanto que para o atributo
ocupação, o fato de ser uma variável categórica motivou a escolha de três níveis (cujas
descrições utilizadas no experimento são também apresentadas na Tabela 2) e o uso de duas
variáveis dummy (para representar o atributo no componente determinístico da função
utilidade). A primeira das variáveis dummy (ocup0), cujo coeficiente é β_ocup0, assume o
valor 1 quando o nível de ocupação é mínimo, e 0 caso contrário. Já a outra variável (ocup1),
cujo coeficiente é β_ocup1, assume o valor 1 quando o nível de ocupação é intermediário, e 0
caso contrário. Deste modo, quando a ocupação do veículo é máxima, tanto ocup0 quanto
ocup1 assumem o valor 0. O nível máximo do atributo ocupação é dito nível base desta
codificação dummy. A Tabela 3 a seguir sumariza a relação entre os níveis do atributo
ocupação e as duas variáveis dummy:
No que se refere ao atributo custo, seu primeiro nível (R$3,00) corresponde ao valor
da tarifa municipal de ônibus no período da realização do experimento. Optou-se por limitar o
nível máximo deste atributo a 10% acima do nível mínimo, de modo a manter o realismo do
contexto do experimento. O nível máximo foi fixado, portanto, em R$3,30. Nenhum nível
intermediário (como R$3,15, por exemplo) foi adicionado pelo risco de que diferenças
menores entre as tarifas de duas alternativas (como 10 ou 15 centavos, por exemplo) não
fossem suficientes para diferenciá-las quanto ao custo, implicando em situações de escolha
com menores chances de coletar informações sobre o comportamento dos entrevistados.
60
Esta estratégia foi adotada com a finalidade de evitar que a combinação dos atributos
intervalo, atraso e tempo de viagem tornasse uma alternativa muito mais atrativa do que a
outra, ocasionando os mesmos riscos (descritos na seção precedente) da utilização de menor
quantidade de níveis para estes três atributos.
O conteúdo desta seção corresponde à seguinte definição listada na Seção 2.5.3: (13)
Restrições ao desenho.
61
= _ ∙ + _ tT+n ∙ tT+n +
_ Tn o ∙ Tn o + _T u+v ∙ T u+v +
_oUw 0 ∙ oUw 0 + _oUw 1 ∙ oUw 1 + (18)
_Uw To ∙ Uw To
Aproximação para
Coeficiente
distribuição uniforme
β_display (0,350 , 0,229)
O conteúdo desta seção corresponde à seguinte definição listada na Seção 2.5.3: (11)
Aproximações para os parâmetros do componente determinístico da função utilidade.
Acredita-se que esta quantidade não tenha causado fadiga, dado que a forma de
comunicação das situações de escolha aos entrevistados era de fácil compreensão e o número
de atributos para análise foi limitado a seis. Além disso, 80% dos entrevistados levaram no
máximo 12 minutos para o preenchimento do questionário.
• Local de residência:
− RMSP;
− Fora da RMSP (entrevistado é solicitado a indicar estado e município);
• Sexo:
− Feminino;
− Masculino;
• Faixa de idade:
− Até 17 anos;
− Entre 18 e 25 anos;
− Entre 26 e 30 anos;
− Entre 31 e 35 anos;
− Entre 36 e 40 anos;
− Entre 41 e 45 anos;
− Entre 46 e 50 anos;
− Entre 51 e 55 anos;
− Entre 56 e 60 anos;
− Entre 61 e 65 anos;
− Entre 66 e 70 anos;
− 71 anos ou mais;
• Ocupação:
− Estudo;
− Estudo e trabalho / estágio;
− Trabalho / estágio;
− Outra;
Observação: após a coleta dos dados, concluiu-se que a categoria “Trabalho /
estágio” é inadequada, visto que só pode fazer estágio quem é estudante.
Assim, os entrevistados que são estudantes fazendo estágio podem ter
selecionado tanto a ocupação “Estudo e trabalho / estágio” quanto a
ocupação “Trabalho / estágio”, de modo que não se sabe quantos
entrevistados, dentro da categoria “Trabalho / estágio”, são estudantes.
• Grau de escolaridade:
− Ensino Fundamental (mesmo que incompleto);
− Ensino Médio (mesmo que incompleto);
65
− Superior incompleto;
− Superior completo;
− Pós-graduação (mesmo que incompleto);
Cabe comentar que os limites inferior e superior de cada faixa de renda são múltiplos
de R$700,00, que é o valor aproximado do salário mínimo vigente no Estado de São Paulo na
época da elaboração do experimento.
O público alvo desta pesquisa foi determinado por conveniência. Pela facilidade de
envio do questionário de pesquisa, foi adotada a comunidade da USP, dos campi localizados
no município de São Paulo, abrangendo alunos (predominantemente), professores e
funcionários.
66
5 RESULTADOS E DISCUSSÃO
que costumam utilizar (o que talvez seja um reflexo da quantidade de painéis na RMSP,
proporcionalmente à quantidade de pontos), conforme mostra o mesmo gráfico.
Figura 4 – Segmentação por frequência de uso de ônibus e uso de pontos com painel (% sobre o total da
amostra)
No que se refere a sexo e idade, 59,5% dos respondentes são do sexo masculino e
63,7% tem até 25 anos (conforme a Figura 5), o que é reflexo das características do público
para o qual o questionário foi enviado: a comunidade dos campi da USP situados na cidade de
São Paulo, com predominância de alunos de graduação (sabe-se que houve intensa divulgação
à comunidade da Escola Politécnica1). Destaca-se que o desequilíbrio entre o sexo masculino
e o feminino ocorre apenas para a primeira faixa de idade (até 25 anos): aproximadamente
35% dos entrevistados desta faixa são do sexo feminino e 65% do masculino. Para as duas
outras faixas de idade (entre 26 e 35 anos e a partir de 36 anos), a quantidade de homens e
mulheres na amostra é igual ou muito semelhante.
______________
1
O envio do questionário à comunidade da USP ficou a cargo do Serviço de Comunicação Social da Escola
Politécnica, e não se teve acesso à lista completa das unidades da universidade para cujos alunos, professores e
funcionários o questionário foi enviado.
69
Estudo e trabalho
0,3% 21,8% 3,7% 12,7% 38,6%
/ estágio
Trabalho /
0,4% 1,3% 5,4% 7,3% 14,4%
estágio
Tabela 6 – Segmentação por ocupação e escolaridade (% sobre o total da amostra, * mesmo que
incompleto)
A amostra é distribuída por todas as faixas de renda domiciliar, conforme pode ser
verificado na Figura 7, com predominância das três faixas centrais: de R$2.800,00 a
R$4.900,00 (20,4% dos entrevistados), de R$4.900,00 a R$7.000,00 (18,9%) e de R$7.000,00
a R$10.500,00 (18,6%).
A análise das respostas dadas por cada entrevistado permitiu identificar aqueles que
apresentaram comportamento não compensatório. Foram encontrados quatro tipos de
comportamentos não compensatórios:
Pela Tabela 7 verifica-se que quase 25% dos entrevistados apresentaram algum tipo de
comportamento não compensatório, sendo que os mais frequentes foram quanto ao custo
(5,8% da amostra) e principalmente quanto ao conforto (17,3% da amostra).
73
Comportamento Quant. %
Não compensatório 290 24,6%
1. Sempre escolhe alternativa da direita/esquerda 4 0,3%
2. Lexicográfico quanto ao custo 68 5,8%
3. Lexicográfico quanto ao painel 14 1,2%
4. Lexicográfico quanto ao conforto 204 17,3%
Compensatório 889 75,4%
Total 1179
Tabela 7 – Segmentação quanto ao comportamento compensatório
(a) tenha de fato usado regras não compensatórias para suas escolhas. Ou seja: pode
ter usado regras compensatórias cujo resultado foi idêntico, para o conjunto de
situações de escolha que lhe foi apresentado, ao resultado das escolhas feitas por
um indivíduo que usasse regras realmente não compensatórias. Por este motivo,
os 290 indivíduos que apresentaram comportamento não compensatório serão
mantidos na amostra e incluídos nas análises das seções seguintes; ou,
(b) sempre use regras não compensatórias para suas decisões. Ou seja: pode tê-las
usado para as situações de escolha que lhe foram apresentadas, mas não
necessariamente o faria para outras combinações de níveis dos atributos, ou
mesmo para níveis dos atributos fora dos intervalos de variação adotados no
experimento.
Nesta seção é apresentado o modelo base, o mais simples dentre os estimados neste
estudo, por ser especificado apenas com os efeitos principais dos seis atributos e sem levar em
consideração que há variabilidade de preferências entre os entrevistados. Trata-se de um
modelo ML panel estimado a partir das 8 respostas de cada um dos 1179 entrevistados,
totalizando 9432 observações. Os resultados são mostrados na Tabela 8, à qual foram
adicionadas duas colunas à direita: a primeira indicando a disposição a pagar (em R$) pelo
acréscimo ou decréscimo (sempre aquele que aumentar a utilidade) de uma unidade de cada
atributo, e a segunda indicando a taxa marginal de substituição de uma unidade de cada
atributo por minutos de viagem.
Antes de iniciar a interpretação do modelo, cabe fazer uma observação, válida para
todos os modelos apresentados neste capítulo e também nos apêndices. Quando a utilidade
marginal de um atributo tem sinal positivo, quanto maior seu valor absoluto, maior é sua
contribuição para a satisfação do indivíduo e para o aumento da utilidade. Já quando a
utilidade marginal tem sinal negativo, quanto maior seu valor absoluto, maior é sua
contribuição para a insatisfação do indivíduo e para o aumento da desutilidade.
75
Verifica-se que todos os parâmetros têm os sinais esperados (os coeficientes para custo
e tempo têm sinal negativo, enquanto aqueles que indicam mais conforto e presença de painel
no ponto têm sinal positivo) e são diferentes de zero ao nível de significância de 5%, o que,
no caso do parâmetro σ_panel, indica que o modelo está capturando as correlações não
observadas entre as respostas dadas por um mesmo entrevistado.
A análise dos coeficientes do custo e do tempo de viagem sugere que o valor do tempo
é baixo para a amostra entrevistada, visto que o indivíduo estaria disposto a pagar apenas 2,4
centavos para reduzir 1 minuto de viagem (ou R$1,44 / hora). Esta taxa é inferior à obtida no
segundo experimento piloto, que foi de 4,9 centavos por minuto de viagem (ou R$2,94 /
hora), conforme se verifica na Tabela 21 do Apêndice B.
76
(a) situações de escolha com atrasos grandes (de 14 ou 19 minutos, por exemplo) e
intervalos pequenos (como 5 minutos), que podem ter sido interpretadas como
pouco realistas pelos entrevistados;
(b) presença de entrevistados, na amostra, que não usam ônibus ou que usam
esporadicamente. Eles podem não saber avaliar o atraso e suas implicações,
conforme será mostrado na Seção 5.5 e no Apêndice H;
(c) forma adotada para comunicar o atraso no experimento, que pode não ter
enfatizado adequadamente o atributo. O atraso foi comunicado indiretamente
através do tempo máximo de espera (que é soma do intervalo com o atraso), e
como uma possibilidade que poderia ou não ocorrer e teria duração variável (sem
a indicação, contudo, de probabilidades de ocorrência);
(d) ausência, no experimento, do motivo específico da viagem (ex.: trabalho,
educação etc.) e de um limite de tempo para chegar ao destino, correspondente ao
horário de um compromisso e representando pressão de tempo.
No que se refere ao painel, sua presença no ponto de ônibus gera a mesma utilidade
que a redução de 5 minutos de viagem (ou 2 minutos de intervalo, ou 4,8 minutos de atraso), e
o entrevistado estaria disposto a pagar cerca de 12 centavos a mais na tarifa se o ponto
estivesse equipado com painel.
77
= _ ∙ +
_ tT+n _ ∙ tT+n _ + _ tT+n _x ∙ tT+n _x +
_ Tn o_ ∙ Tn o_ + _ Tn o_x ∙ Tn o_x +
_T u+v_ ∙ T u+v_ + _T u+v_x ∙ T u+v_x + (18)
sendo que, para apenas uma das duas alternativas é acrescentado à o termo σ_panel, que
captura as correlações não observadas entre as repostas do mesmo entrevistado.
Devido à separação dos atributos em duas partes, quando, por exemplo, o atraso
associado à determinada alternativa for de 14 minutos, a variável atraso_a será igual a 9, e a
variável atraso_b igual a 5 (sendo 14 a soma de ambas). Cada uma das novas variáveis é
multiplicada por um coeficiente diferente, o que significa que cada um dos primeiros 9
minutos de atraso terá uma contribuição diferente para a utilidade do que cada um dos 5
últimos minutos de atraso.
79
Verifica-se, pela análise da Tabela 10, que tanto a taxa marginal de substituição entre
o intervalo e o tempo de viagem, quanto entre o atraso e o tempo de viagem apresentam
variação. Destaca-se a primeira, que varia entre 1,59 e 5,25. Entende-se, portanto, que a
redução de 1 minuto no final da espera (quando esta é decorrente de intervalo superior a 10
minutos) pode ser trocada por 1,59 minutos adicionais no início da viagem. Similarmente, a
redução de 1 minuto no início da espera (quando esta é decorrente de intervalo) pode ser
trocada por 5,25 minutos adicionais no final da viagem (para viagens com duração superior a
30 minutos).
β_display
β_interv_a
-1,60
(até o 10º minuto)
β_interv_b
-1,96
(a partir do 11º minuto)
β_atraso_a
-6,43
(até o 9º minuto)
β_atraso_b
-2,58
(a partir do 10º minuto)
β_tviagem_a
-3,11
(até o 30º minuto)
β_tviagem_b
-8,39
(a partir do 31º minuto)
Tabela 11 – Taxas marginais de substituição (em minutos de intervalo, atraso ou viagem)
Pode-se dizer que a inclusão da não linearidade das preferências na especificação leva
a um modelo que melhor explica o comportamento da amostra, visto que o rho quadrado
ajustado do modelo em discussão é de 0,204, enquanto o do modelo base é de 0,200.
Cabe lembrar, como exposto na Seção 3.2, que os modelos aqui apresentados são o
resultado de um processo iterativo de especificação, estimação e análise de aproximadamente
mil outros modelos. Desta forma, quando determinada interação não faz parte de um modelo
apresentado, entende-se que, durante o processo iterativo, ela não se mostrou estatisticamente
significativa ou, mesmo tendo se mostrado significativa, apresentava sinal contrário ao
esperado, ou ainda fazia parte de um modelo com poder explicativo inferior ou incoerente
com o comportamento de escolha de linha. Esta observação também é válida para o modelo
discutido na próxima seção.
• o modelo Int.1 é o único que interage tanto com o nível mínimo quanto com o nível
intermediário da ocupação. É, também, o que apresenta maior intervalo de variação
para a utilidade marginal do tempo de viagem: o coeficiente deste atributo é igual a
-0,081 (β_tviagem) quando o veículo está lotado, -0,067 (β_tviagem +
β_tviagem_ocup1) quando a ocupação é intermediária, e -0,056 (β_tviagem +
β_tviagem_ocup0) quando o veículo está quase vazio;
84
Quando o coeficiente do atraso atinge seu valor absoluto máximo (ou seja, -0,071,
quando não há painel no ponto) e o coeficiente do tempo de viagem, o seu valor absoluto
mínimo (ou seja, -0,056, quando o veículo tem ocupação mínima e se pode viajar sentado),
tem-se a maior taxa marginal de substituição entre atraso e tempo de viagem obtida a partir do
modelo em discussão: 1,27 minutos de viagem por minuto de atraso. Já quando o coeficiente
do atraso alcança seu valor absoluto mínimo (ou seja, -0,054, quando há painel no ponto) e o
coeficiente do tempo de viagem, o seu valor absoluto máximo (ou seja, -0,081, quando é
necessário viajar em pé e o ônibus está lotado), tem-se a menor taxa marginal de substituição
entre os dois atributos: 0,67 minutos de viagem por minuto de atraso.
Este modelo, ao invés da interação entre a presença de painel e o atraso (como ocorre
em Int.1), apresenta a interação entre o primeiro atributo e o intervalo programado entre
veículos. Neste modelo, o efeito principal da presença do painel também é substituído pela
interação.
No último dos três modelos (Int.3), além da interação entre o tempo de viagem e a
ocupação do veículo, o atraso interage com duas variáveis dummy: a primeira indica se o
intervalo programado entre veículos é igual a 5 ou 10 minutos, e a segunda indica se o
intervalo é igual a 15 ou 20 minutos.
mais insatisfação quando ocorre após um período maior de espera decorrente do intervalo
programado.
A taxa marginal de substituição entre atraso e tempo de viagem também varia para
este modelo: de 0,63 minutos de viagem por minuto de atraso, quando o atraso é precedido de
intervalo programado menor e o ônibus tem ocupação intermediária ou máxima, a 1,64
minutos de viagem por minuto de atraso, quando o intervalo que precede o atraso é maior e o
ônibus está quase vazio.
Cabe comentar que a variabilidade puramente aleatória das preferências também foi
explorada, através da estimação de modelos ML panel random coefficients, sob duas
especificações diferentes: a primeira assumindo que os coeficientes dos atributos têm
distribuição normal de probabilidades e a segunda admitindo que os coeficientes variam de
acordo com uma distribuição uniforme. No primeiro caso, apenas os coeficientes do tempo de
viagem e do nível mínimo da ocupação do veículo apresentaram variação aleatória. Já para o
segundo modelo, foram os coeficientes do tempo de viagem e do intervalo programado entre
veículos que exibiram variação aleatória. Os resultados de ambos os modelos são
apresentados e brevemente discutidos no Apêndice G, visto que suas contribuições para a
compreensão do comportamento de escolha de linha são menores.
87
Dentre as variáveis socioeconômicas e de uso de ônibus, apenas três não fazem parte
deste modelo e, portanto, parecem não afetar (ao menos diretamente) o comportamento de
escolha de linha. São elas: uso de pontos de ônibus equipados com painel eletrônico, sexo e
quantidade de motocicletas no domicílio.
A seguir as interações para cada um dos atributos serão analisadas, com exceção do
atributo presença de painel no ponto, para o qual nenhuma interação com variáveis
socioeconômicas ou de uso de ônibus foi significativa.
90
Quanto à interação com autos4, infere-se que indivíduos com maior disponibilidade de
automóveis se incomodem mais com as esperas do transporte público.
Verifica-se que usuários com frequência semanal são um pouco mais intolerantes ao
atraso do que usuários com frequência mensal. Uma possível explicação é que os usuários
semanais sofrem as consequências negativas do atraso mais vezes do que os usuários
esporádicos.
_______________
2
Um modelo com especificação similar à exibida na Tabela 13, porém incluindo β_atraso, foi estimado e os
resultados mostraram que β_atraso era estatisticamente igual a zero. Por este motivo, este coeficiente foi
retirado da especificação final, cujos resultados são os apresentados na Tabela 13.
91
so em sua decisão. Infere-se que este grupo não tenha experiência de uso de ônibus e,
portanto, não saiba avaliar este atributo. Cabe comentar que um modelo ML panel
especificado apenas com os efeitos principais dos atributos e estimado a partir das respostas
dos 59 entrevistados que não usam ônibus, resultou em β_atraso estatisticamente igual a zero
(conforme se verifica no Apêndice H).
Já a interação com a variável renda mostra que os indivíduos com renda domiciliar até
R$1.400 e entre R$4.900 e R$7.000 valorizam menos o conforto do que os demais. Sugere-se
que os indivíduos com a mais baixa categoria de renda tenham maior dependência do ônibus
(de fato, 93% deles usam ônibus semanalmente, e 62,5% não possuem automóvel no domicí-
_________
3
De fato, o tempo médio das viagens com transporte coletivo na RMSP é de aproximadamente 67 minutos,
contra 31 minutos para as viagens com transporte individual, segundo a Pesquisa Origem e Destino 2007 para
a RMSP (COMPANHIA DO METROPOLITANO DE SÃO PAULO, 2008).
92
lio), e por este motivo valorizem o conforto com menor intensidade do que valorizam outros
atributos (como o custo, por exemplo).
Quanto aos indivíduos da faixa de renda domiciliar entre R$4.900 e R$7.000, sugere-
se que a menor importância dada ao conforto na decisão se deva ao fato de que este grupo é o
que mais concentra lexicográficos quanto ao custo: 24 indivíduos, o que corresponde a 35%
de todos os lexicográficos quanto ao custo da amostra e 11% dos entrevistados desta faixa de
renda. Lexicográficos quanto ao custo fazem suas escolhas com base somente no valor da
tarifa, em detrimento dos demais atributos.
No que se refere à interação com a variável estudante, acredita-se que sua influência
seja indireta e esteja relacionada a outras características do grupo de entrevistados que são
estudantes, como a maior presença de usuários semanais de ônibus e a maior parcela de
entrevistados do sexo masculino ou com até 25 anos, comparativamente às demais categorias
da variável socioeconômica ocupação, conforme se verifica no Apêndice I.
No que se refere à variável superiorcomp, acredita-se que sua influência seja indireta.
Características do grupo de entrevistados que já concluíram o Ensino Superior, tais como a
menor presença de indivíduos que usam ônibus semanalmente e a maior parcela de
entrevistados do sexo feminino, comparativamente às demais categorias da variável
socioeconômica escolaridade, (conforme se verifica no Apêndice I), podem influenciar o
efeito do nível intermediário da ocupação sobre o comportamento de escolha de linha.
93
Acredita-se que o efeito das variáveis posgrad e idade36 sobre o custo seja indireto.
Em ambos os casos, características tais como a menor proporção de entrevistados que usam
ônibus semanalmente e a maior proporção de indivíduos nas faixas de renda domiciliar acima
de R$7.000 (comparativamente às demais categorias das variáveis socioeconômicas
escolaridade e idade, conforme se verifica no Apêndice I), podem justificar a interação.
94
6 CONCLUSÕES E RECOMENDAÇÕES
O objetivo geral desta pesquisa foi medir a influência, na escolha de linha, de painéis
eletrônicos nos pontos de ônibus que informam os intervalos de tempo previstos para
passagem das linhas. Um experimento de escolha declarada com desenho eficiente foi
aplicado a uma amostra de 1179 entrevistados pertencentes à comunidade da USP.
Cabe ressaltar que os resultados obtidos são específicos para a amostra coletada e não
representam as preferências de um usuário de ônibus médio da RMSP. No entanto, a
metodologia adotada pode ser estendida a outras amostras, com a finalidade de representar
mais fielmente o comportamento de tais usuários.
REFERÊNCIAS BIBLIOGRÁFICAS
AARTS, H.; VERPLANKEN, B.; VAN KNIPPENBERG, A. Habit and information use in
travel mode choices. Acta Psychologica, v. 96, n. 1-2, p. 1-14, 1997.
BEN-ELIA, E.; DI PACE, R.; BIFULCO, G. N.; SHIFTAN, Y. The impact of travel
information’s accuracy on route-choice. Transportation Research Part C, v. 26, p. 146-159,
2013.
BIERLAIRE, M. Biogeme: a free package for the estimation of discrete choice models. In: 3rd
SWISS TRANSPORTATION RESEARCH CONFERENCE. Conference Paper. Ascona,
2003.
BLIEMER, M. C. J.; ROSE, J. M. Designing stated choice experiments: state of the art. In:
Kitamura, R., Yoshii, T., Yamamoto, T. The Expanding Sphere of Travel Behaviour
Research: Selected Papers from the 11th International Conference on Travel Behaviour
Research. United Kingdom: Emerald, 2009. 924 p.
CEDER, A. Public Transit Planning and Operation: Theory, Modeling and Practice. 1.
ed. Oxford: Elsevier, 2007. 626 p.
CHOICE METRICS. Ngene 1.1 User Manual and Reference Guide. Choice Metrics, 2011.
247 p.
98
CHORUS, C. G.; ARENTZE, T. A.; TIMMERMANS, H. J. P.; MOLIN, E. J. E.; VAN WEE,
B. Travelers' need for information in traffic and transit: results from a web survey.
Journal of Intelligent Transportation Systems, v. 11, n. 2, p. 57-67, 2007.
CHORUS, C. G.; MOLIN, E. J. E.; VAN WEE, B. Use and effects of advanced traveller
information services (ATIS): a review of the literature. Transport Reviews, v. 26, n. 2, p.
127-149, 2006.
DROIT-VOLET, S.; MECK, W. H. How emotions colour our perception of time. Trends in
Cognitive Sciences, v. 11, n. 12, p. 504-513, 2007.
ETTEMA, D.; TIMMERMANS, H. Costs of travel time uncertainty and benefits of travel
time information: conceptual model and numerical examples. Transportation Research
Part C, v. 14, n. 5, p. 335-350, 2006.
GENTILE, G.; NGUYEN, S.; PALLOTTINO, S. Route choice on transit networks with
online information at stops. Transportation Science, v. 39, n. 3, p. 289-297, 2005.
GIL, A. C. Como Elaborar Projetos de Pesquisa. 4. ed. São Paulo: Atlas, 2002. 175 p.
HOLDSWORTH, N.; ENOCH, M. P.; ISON, S. G. Examining the political and practical
reality of bus-based real time passenger information. Transportation Planning and
Technology, v. 30, n. 2-3, p. 183-204, 2007.
KIM, J.; LEE, B.; OH, S. Passenger choice models for analysis of impacts of real-time bus
information on crowdedness. Transportation Research Record, n. 2112, p. 119-126, 2009.
LARSEN, O. I.; SUNDE, Ø. Waiting time and the role and value of information in
scheduled transport. Research in Transportation Economics, v. 23, n. 1, p. 41-52, 2008.
LIU, Y.; BUNKER, J.; FERREIRA, L. Transit users' route-choice modelling in transit
assignment: a review. Transport Reviews, v. 30, n. 6, p. 753-769, 2010.
MAISTER, D. H. The psychology of waiting lines. In: Czepiel, J. A., Solomon, M. R.,
Surprenant, C. F. The service encounter: managing employee/customer interaction in service
businesses. 1. ed. Lexington: Lexington Books, 1985. 338 p.
100
MECK, W. H. Neuropsychology of timing and time perception. Brain and Cognition, v. 58,
n. 1, p. 1-8, 2005.
RAZO, M.; GAO, S. A rank-dependent expected utility model for strategic route choice
with stated preference data. Transportation Research Part C, v. 27, Special Issue, p. 117-
130, 2013.
SORIGUERA, F. Value of freeway travel time information. In: 92nd TRB ANNUAL
MEETING. Conference Paper. Washington, 2013.
TRAIN, K. E. Discrete Choice Methods with Simulation. 2. ed. New York: Cambridge
University Press, 2009. 388 p.
ZHAO, S.; YANG, Z.; ZHANG, X. Traveller’s information choice behaviour in response to
transit information services. In: 12th WORLD CONFERENCE IN TRANSPORTATION
RESEARCH. Conference Paper. Lisboa, 2010.
102
Coeficientes na
Atributos Níveis
função utilidade
= _ ∙ + _ tT+n ∙ tT+n +
_ Tn o ∙ Tn o +
_ tT+n _ ∙ ( tT+n ∙ )+ (19)
_ Tn o_ ∙ ( Tn o ∙ )
O desenho criado, mostrado na Tabela 15, é balanceado para os níveis dos atributos
painel e intervalo. No entanto, não é para os níveis do atributo atraso: o nível 4 minutos
apareceu 10 vezes no desenho, enquanto o 8 minutos apareceu 6, e o 12 minutos apareceu 8
vezes.
104
A partir das 118 respostas obtidas (2 situações de escolha respondidas por cada um dos
59 entrevistados) foi estimado o modelo MNL mostrado na Tabela 16 abaixo:
Erro
Coeficiente Valor Teste t
padrão
β_display 1,760 0,425 4,140
β_interv -0,347 0,084 -4,150
β_atraso -0,255 0,088 -2,890
Número de observações: 118
Número de indivíduos: 118
L (0) = -81,79
L (β) = -66,26
- 2 · [L (0) - L (β) ] = 31,06
ρ2 = 0,190
ρ2 ajustado = 0,153
Tabela 16 – Modelo MNL estimado com resultados do primeiro experimento piloto
105
“Suponha que você irá de ônibus a um compromisso e que tanto a LINHA 1 quanto a
LINHA 2 servem para levá-lo(a) até o local desejado. Porém, estas linhas não passam pelo
mesmo ponto. Você tem, então, duas alternativas: andar em uma direção até o PONTO 1 e
pegar a LINHA 1 ou andar em outra direção até o PONTO 2 e pegar a LINHA
2. Considere que os tempos de caminhada até os pontos são pequenos. Os pontos podem ou
não ter painel eletrônico mostrando quanto tempo falta para o ônibus passar. Levando em
conta esta e outras características de cada alternativa (apresentadas na tabela abaixo), qual
você escolhe?”
Lotado.
Quase vazio. Todos os bancos estão
O ônibus costuma estar: Você poderá viajar ocupados e você terá que
sentado. viajar em pé (com muitas
outras pessoas em pé).
Alternativas e atributos
Coeficientes na
Atributos Níveis
função utilidade
Existência de painel no
1 = Sim / 0 = Não β_display
ponto
Intervalo de tempo
programado para a
passagem de veículos 5 / 10 / 15 / 20 minutos β_interv
consecutivos da mesma
linha
Possível atraso em
relação ao intervalo 4 / 9 / 14 / 19 minutos β_atraso
programado
Tempo de viagem dentro
20 / 30 / 40 / 50 minutos β_tviagem
do veículo
Mínima (dummy: ocup0)
“Quase vazio. Você poderá viajar sentado”.
Intermediária (dummy: ocup1)
“Nem vazio, nem lotado. Todos os bancos estão
Ocupação do veículo ocupados e você terá que viajar em pé (com β_ocup0 e
quando chega ao ponto poucas outras pessoas em pé)”. β_ocup1
Máxima
“Lotado. Todos os bancos estão ocupados e você
terá que viajar em pé (com muitas outras pessoas
em pé)”.
Ressalta-se que estes atributos e seus níveis são exatamente os mesmos utilizados no
experimento para coleta de dados desta pesquisa (descrito no Capítulo 4).
Foram criadas duas variáveis dummy (ocup0 e ocup1) para representar efeitos não
lineares do atributo ocupação. A Tabela 18 a seguir sumariza a relação entre o atributo e as
variáveis dummy:
107
Restrições ao desenho
Especificação econométrica
= _ ∙ + _ tT+n ∙ tT+n +
_ Tn o ∙ Tn o + _T u+v ∙ T u+v +
_oUw 0 ∙ oUw 0 + _oUw 1 ∙ oUw 1 + _Uw To ∙ Uw To +
_ tT+n _ ∙ ( tT+n ∙ )+
(20)
_ Tn o_ ∙ ( Tn o ∙ )+
_T u+v_oUw 0 ∙ (T u+v ∙ oUw 0 ) +
_T u+v_oUw 1 ∙ (T u+v ∙ oUw 1 ) +
Situações de escolha
Ocupação
Ocupação
Tempo de
Tempo de
Bloco
Intervalo
Intervalo
viagem
viagem
Atraso
Atraso
Painel
Painel
Custo
Custo
1 1 1 10 9 40 0 3,3 1 10 9 40 2 3
1 2 1 15 4 30 1 3 0 15 9 30 0 3,3
1 3 0 5 14 40 0 3,3 1 10 14 50 1 3
1 4 1 20 4 50 2 3,3 0 20 4 40 1 3
1 5 1 5 9 20 2 3 0 5 4 30 1 3,3
1 6 0 15 14 20 1 3,3 0 20 14 20 0 3
2 7 0 20 14 30 1 3,3 1 20 19 20 2 3
2 8 1 20 19 30 2 3,3 0 20 14 30 1 3
2 9 0 5 19 20 0 3 1 5 19 20 2 3,3
2 10 0 20 19 50 0 3 1 15 19 50 2 3,3
2 11 0 5 14 40 1 3 1 10 14 40 0 3,3
2 12 0 10 4 50 0 3 1 5 9 40 1 3,3
3 13 1 20 9 20 1 3 0 15 4 30 0 3,3
3 14 0 20 9 20 1 3,3 0 15 9 30 2 3
3 15 1 15 19 30 1 3 0 15 14 20 0 3,3
3 16 0 5 4 40 2 3 1 10 9 50 1 3,3
3 17 1 5 4 50 2 3 0 5 4 50 1 3,3
3 18 1 10 19 50 2 3,3 0 5 19 50 1 3
4 19 1 15 14 20 2 3,3 1 20 19 20 0 3
4 20 1 15 4 50 1 3,3 0 15 4 40 0 3
4 21 0 15 9 30 0 3 1 20 4 20 2 3,3
4 22 1 10 9 30 0 3,3 1 10 9 30 2 3
4 23 0 10 14 40 2 3 0 10 19 50 0 3,3
4 24 0 10 19 40 0 3,3 1 5 14 40 2 3
Tabela 20 – Desenho eficiente para segundo experimento piloto
A partir das 210 respostas obtidas (6 situações de escolha respondidas por cada um dos
35 entrevistados) foram estimadas dezenas de modelos diferentes. Para aqueles cujos
coeficientes tiveram os sinais esperados e foram estatisticamente significativos, foram
calculadas as taxas marginais de substituição entre cada atributo e o tempo de viagem. Os
valores médio, mínimo e máximo para cada taxa são exibidos na Tabela 21 abaixo:
112
Ainda para estes mesmos modelos, o valor do coeficiente do tempo de viagem variou
entre -0,125 e -0,081.
113
Ocupação
Ocupação
Tempo de
Tempo de
Bloco
Intervalo
Intervalo
viagem
viagem
Atraso
Atraso
Painel
Painel
Custo
Custo
1 1 0 10 19 20 0 3,3 1 5 14 30 1 3
1 2 1 5 14 30 2 3 0 10 19 20 1 3,3
1 3 1 10 4 30 2 3 0 5 9 30 1 3,3
1 4 1 20 14 20 1 3,3 0 15 19 30 0 3
1 5 0 5 19 50 1 3,3 1 10 14 40 2 3
1 6 0 15 14 40 0 3,3 1 15 14 40 2 3
1 7 1 15 9 30 0 3,3 0 20 4 20 1 3
1 8 0 20 4 50 2 3 1 20 4 50 0 3,3
2 9 1 15 19 20 1 3 0 20 19 20 0 3,3
2 10 0 5 9 50 0 3 1 5 9 40 2 3,3
2 11 0 10 14 30 2 3 1 10 14 30 0 3,3
2 12 0 20 4 30 0 3,3 1 15 9 20 2 3
2 13 0 15 9 40 1 3 1 15 4 50 0 3,3
2 14 1 10 9 50 1 3,3 0 5 9 40 2 3
2 15 1 10 9 50 2 3 0 10 4 50 2 3,3
2 16 1 20 9 40 1 3 0 20 9 50 0 3,3
3 17 0 20 4 20 0 3,3 1 20 4 20 2 3
3 18 0 15 4 40 2 3 1 15 4 40 1 3,3
3 19 1 10 19 20 1 3,3 0 10 19 20 0 3
3 20 1 20 19 50 0 3 0 15 14 50 1 3,3
3 21 1 15 19 20 2 3,3 0 20 19 30 1 3
3 22 0 5 14 40 2 3,3 1 10 19 50 1 3
3 23 1 5 14 30 0 3,3 0 5 14 30 2 3
3 24 0 5 4 40 1 3 1 5 9 40 0 3,3
Tabela 22 – Situações de escolha do desenho do experimento
114
Conforme se verifica na Tabela 23, todos os parâmetros deste modelo são diferentes
de zero ao nível de significância de 5% e têm os sinais esperados. Em comparação com o
modelo base (cujos resultados estão na coluna à direita da tabela), observa-se que houve
queda de β_ocup0 e discreta diminuição de β_ocup1. Pode-se supor que os lexicográficos
quanto ao conforto sempre escolham a alternativa que lhes permita viajar sentados, porém
utilizam regras compensatórias quando nenhuma das alternativas tem veículo com ocupação
mínima. Os coeficientes dos demais atributos apresentam aumento do valor absoluto. Estas
variações (em relação ao modelo base) são coerentes com o fato de se retirar da amostra os
indivíduos que aparentemente valorizam apenas o conforto em sua decisão em detrimento dos
demais atributos.
Conforme esperado, houve queda da disposição a pagar para viajar com mais conforto
(ou seja, em veículo com menor ocupação), explicada conjuntamente pela redução dos
coeficientes β_ocup0 e β_ocup1 e pelo aumento em valor absoluto do coeficiente β_custo.
Conforme mostra a Tabela 24, todos os parâmetros deste modelo são diferentes de
zero ao nível de significância de 5% e têm os sinais esperados. Em comparação com o modelo
base (cujos resultados estão na coluna à direita da tabela) observa-se que houve queda do
valor absoluto do coeficiente do custo (β_custo) e aumento do valor absoluto dos demais
coeficientes, o que é coerente com o fato de se retirar da amostra os indivíduos que
aparentemente usam apenas o valor da tarifa em sua decisão em detrimento dos demais
atributos. Como consequência, a disposição a pagar aumentou para todos os atributos.
Para este modelo, assim como para os anteriores, todos os parâmetros são diferentes
de zero ao nível de significância de 5% e têm os sinais esperados (conforme mostra a Tabela
25). Em comparação com o modelo base, observa-se que houve queda do coeficiente do
painel (β_display), o que é condizente com uma amostra que não contenha indivíduos que,
aparentemente, sempre escolhem a alternativa com painel. Os demais coeficientes oscilaram
discretamente, geralmente com acréscimo do valor absoluto.
118
Em comparação com o modelo base, houve aumento nos valores absolutos dos demais
coeficientes e o rho quadrado ajustado sofreu elevação discreta, indicando que o modelo em
discussão é um pouco superior ao modelo base quanto à capacidade de reproduzir o
comportamento de escolha dos entrevistados.
Em comparação com o modelo base, houve alteração nos valores dos coeficientes dos
demais atributos, e o rho quadrado ajustado teve discreto aumento, indicando que a
especificação do modelo em discussão é superior à do modelo base (e também à do primeiro
modelo discutido neste apêndice) quanto à capacidade de reproduzir o comportamento de
escolha dos entrevistados.
Tabela 33 – Classificação socioeconômica e de uso de ônibus por escolaridade (*mesmo que incompleto)
126
Estudo e
Trabalho /
Todos Outra Estudo trabalho /
estágio
estágio
Freq. de uso do ônibus
Nunca 5,0% 5,7% 2,8% 12,4% 4,6%
1 a 2 x mês 15,0% 24,5% 12,0% 24,7% 13,6%
1 a 2 x semana 14,6% 26,4% 15,0% 15,3% 12,5%
3 ou mais x semana 65,4% 43,4% 70,3% 47,6% 69,2%
Painel nos pontos
Não se aplica 5,0% 5,7% 2,8% 12,4% 4,6%
Não 83,6% 84,9% 88,2% 73,5% 82,2%
Sim 11,4% 9,4% 9,0% 14,1% 13,2%
Sexo
Feminino 40,5% 60,4% 32,7% 52,9% 42,2%
Masculino 59,5% 39,6% 67,3% 47,1% 57,8%
Idade
Até 25 anos 63,7% 9,4% 86,2% 18,8% 62,0%
Entre 26 e 35 anos 23,2% 22,6% 12,2% 40,6% 29,0%
A partir de 36 anos 13,1% 67,9% 1,6% 40,6% 9,0%
Escolaridade
Fundamental / Médio * 4,2% 5,7% 7,4% 2,9% 0,9%
Superior incompleto 54,7% 1,9% 74,3% 8,8% 56,5%
Superior completo 11,1% 30,2% 1,4% 37,6% 9,7%
Pós-graduação * 30,0% 62,3% 17,0% 50,6% 33,0%
* mesmo que incompleto
Automóveis no domicílio
Nenhum 24,3% 13,2% 22,8% 24,7% 27,0%
1 35,9% 49,1% 32,7% 38,8% 36,7%
2 26,1% 32,1% 29,3% 25,9% 22,0%
3 9,0% 3,8% 10,4% 4,7% 9,7%
4 ou mais 4,7% 1,9% 4,8% 5,9% 4,6%
Motos no domicílio
Nenhuma 93,8% 96,2% 94,8% 92,4% 93,0%
1 5,5% 3,8% 4,2% 6,5% 6,8%
2 0,7% 0,0% 1,0% 1,2% 0,2%
Renda do domicílio
Até R$ 1.400 6,1% 5,7% 9,6% 0,0% 4,6%
De R$ 1.401 a R$ 2.800 10,3% 5,7% 11,0% 2,9% 13,0%
De R$ 2.801 a R$ 4.900 20,4% 15,1% 20,6% 20,6% 20,7%
De R$ 4.901 a R$ 7.000 18,9% 18,9% 18,0% 14,7% 21,5%
De R$ 7.001 a R$ 10.500 18,6% 15,1% 15,4% 24,7% 20,2%
De R$ 10.501 a R$ 14.000 10,7% 18,9% 10,4% 12,9% 9,2%
Mais de R$ 14.000 15,0% 20,8% 15,2% 24,1% 10,8%